La seconda legge della termodinamica delinea un'asimmetria nel modo in cui i sistemi fisici si evolvono nel tempo, conosciuta come la freccia del tempo. Nei sistemi macroscopici, questa asimmetria ha una direzione chiara (ad es. si può facilmente notare se un video che mostra l'evoluzione di un sistema nel tempo viene riprodotto normalmente o al contrario).

Nel mondo microscopico, però, questa direzione non è sempre evidente. Infatti, le fluttuazioni nei sistemi microscopici possono portare a chiare violazioni della seconda legge della termodinamica, facendo sì che la freccia del tempo diventi sfocata e meno definita. Di conseguenza, quando si guarda un video di un processo microscopico, può essere difficile, se non impossibile, per determinare se viene riprodotto normalmente o al contrario.

I ricercatori dell'Università del Maryland hanno sviluppato un algoritmo di apprendimento automatico in grado di dedurre la direzione della freccia del tempo termodinamica nei processi sia macroscopici che microscopici. Questo algoritmo, presentato in un articolo pubblicato in Fisica della natura , potrebbe in definitiva aiutare a scoprire nuovi principi fisici relativi alla termodinamica.

"Ho imparato a conoscere la termodinamica su piccola scala quando ho seguito un corso sulla meccanica statistica del non equilibrio tenuto dal Prof. Jarzysnki, " Alireza Seif, uno dei ricercatori che ha condotto lo studio, ha detto a Phys.org. "Allo stesso tempo, Stavo esplorando le applicazioni dell'apprendimento automatico in fisica, che hanno suscitato molto interesse negli ultimi anni. Un esempio di applicazioni di apprendimento automatico è la classificazione delle immagini e gli stessi strumenti sono stati utilizzati per classificare le fasi della materia in fisica".

Mentre proseguiva gli studi, Seif si rese conto che anche il tentativo di determinare la direzione della freccia del tempo poteva essere inquadrato come un problema di classificazione. Ha quindi iniziato a esplorare la possibilità di sviluppare un algoritmo di apprendimento automatico in grado di determinare questa direzione e ha discusso questa idea con i suoi colleghi Mohammad Hafezi e con Christopher Jarzynski. I tre ricercatori hanno deciso di collaborare. Dopo il successo di un primo esperimento, hanno iniziato a studiare vari casi in cui la loro rete neurale potrebbe fornire nuove preziose informazioni.

"Abbiamo utilizzato l'apprendimento supervisionato e addestrato una rete neurale per rilevare la direzione della freccia del tempo basata su una serie di filmati simulati di processi fisici con etichette corrispondenti che indicano indietro/avanti, " Seif ha spiegato. "La nostra rete neurale emette un numero compreso tra 0 e 1, che dipende dall'input (il film), ei parametri della rete (pesi e bias). Quindi cerchiamo quei valori di parametro che riducono al minimo la differenza tra l'output della rete neurale e le vere etichette (direzione della freccia del tempo)."

Quando hanno usato la loro rete neurale per analizzare i video dei processi fisici, hanno scoperto che poteva prevedere con successo la direzione della freccia del tempo con un'eccellente precisione. Inoltre, le analisi dell'algoritmo hanno rivelato che il lavoro dissipato è la quantità corretta da utilizzare quando si cerca di determinare questa direzione.

Nel loro studio, i ricercatori hanno anche usato una tecnica nota come incezionismo, introdotto da un team di ingegneri software di Google. Questa tecnica ha permesso loro di indagare su cosa succede all'interno della loro rete neurale, individuando le traiettorie avanti e indietro più rappresentative.

Ad esempio, per scoprire una traiettoria in avanti rappresentativa, la squadra ha preso un input casuale con una direzione sconosciuta (cioè, avanti o indietro) e lo ha modificato in modo tale che l'output di rete lo classificasse come avanti. Hanno quindi dimostrato che le traiettorie rappresentative che hanno scoperto corrispondevano effettivamente alle previsioni teoriche.

"La fisica della freccia del tempo nel contesto della fisica statistica del non equilibrio è stata quantificata negli ultimi decenni, " Seif ha detto. "È interessante che un noto algoritmo (regressione logistica) che esisteva decenni prima di questi teoremi porta agli stessi risultati. È ipotizzabile che, con tali esperimenti numerici, si potrebbe arrivare alla formulazione teorica della soluzione prima della sua scoperta da principi fisici."

Seif e i suoi colleghi hanno scoperto che il loro algoritmo di apprendimento automatico ha risolto un problema di fisica di base e identificato i parametri fisici più importanti per affrontare efficacemente questo problema. Il team ha anche dimostrato che la direzione della freccia del tempo può essere dedotta senza la necessità di specificare quale esatto processo fisico sta avvenendo, che è molto difficile da raggiungere manualmente o analiticamente. Nel futuro, il team prevede di continuare a esplorare il potenziale dell'utilizzo di algoritmi di apprendimento automatico per condurre ricerche sulla fisica e fare nuove scoperte scientifiche.

"La fisica dei sistemi fuori equilibrio è per noi un settore di particolare interesse, in quanto presenta quesiti irrisolti a cui si potrebbe rispondere studiando la dinamica dei sistemi con algoritmi di machine learning, " Ha detto Seif. "Per costruire la cassetta degli attrezzi per rispondere a queste domande, dobbiamo partire da esempi concreti che sappiamo risolvere come banco di prova. Attualmente, stiamo esaminando problemi di fisica statistica, sia nel dominio quantistico che classico, e cercando di capire cosa possono imparare gli strumenti di apprendimento automatico dalle osservazioni sperimentali."

© 2020 Scienza X Rete